A Graph Attention Network Framework for Simultaneous Prediction of Galaxy and Dark Matter Halo Properties in GAMA DR4

En lo profundo del cosmos, un andamiaje invisible mantiene unido al universo visible. Este marco invisible está hecho de materia oscura, una sustancia misteriosa que no emite luz pero ejerce una poderosa atracción gravitatoria. Los astrónomos saben que existe porque las galaxias giran demasiado rápido para ser mantenidas unidas solo por las estrellas y el gas que podemos ver. Estas galaxias viven dentro de vastas nubes esféricas de esta materia oscura, conocidas como halos. Comprender la relación entre una galaxia y su hogar de materia oscura es crucial para mapear la historia del universo, aunque medir la masa de estos halos invisibles directamente es increíblemente difícil. Los científicos han dependido durante mucho tiempo de complejas simulaciones por computadora o métodos indirectos que a menudo ignoran la realidad desordenada e interconectada de cómo las galaxias se asientan realmente en el espacio.

Un equipo de investigadores del Instituto Indio de Tecnología de Patna ha desarrollado una nueva forma de resolver este rompecabezas utilizando un tipo de inteligencia artificial diseñada para comprender relaciones. En lugar de tratar cada galaxia como una isla aislada, construyeron un mapa digital donde cada galaxia es un punto conectado con sus vecinos, muy parecido a una red social donde la fuerza de una conexión depende de la proximidad física y la pertenencia a un grupo compartido. Entrenaron este sistema, al que llaman GAMANet, con una colección masiva de observaciones reales del estudio GAMA, un proyecto que ha catalogado meticulosamente cientos de miles de galaxias. Al alimentar a la IA con datos sobre la luz, el color, el tamaño y el movimiento de casi 20,000 galaxias, el modelo aprendió a predecir tres propiedades clave simultáneamente: la masa de las estrellas de la galaxia, la rapidez con la que está formando nuevas estrellas y la masa total del halo de materia oscura invisible que la rodea.

Los investigadores no solo observaron galaxias individuales; le enseñaron a la computadora a prestar atención al vecindario. En su sistema, una galaxia no es solo una colección de sus propios rasgos, sino un nodo en una red de conexiones. La IA aprendió que una galaxia central masiva en un cúmulo podría contener más información sobre la materia oscura local que una pequeña y solitaria galaxia satélite. Para manejar esto, utilizaron un tipo específico de red neuronal que asigna diferentes niveles de importancia a cada vecino, decidiendo efectivamente qué galaxias cercanas son más relevantes para realizar una predicción. Este enfoque permitió al modelo capturar los sutiles efectos ambientales que influyen en cómo evolucionan las galaxias, como si forman parte de un grupo compacto o si flotan en el espacio abierto.

Cuando fue probado con datos que nunca había visto, el modelo funcionó con una precisión notable. Predijo la masa de los halos de materia oscura con un alto grado de precisión, capturando más del 95 por ciento de las variaciones en los datos. Fue incluso más preciso al predecir la masa de las estrellas dentro de las galaxias y la tasa a la que están formando nuevas estrellas. Estos resultados son significativos porque el modelo fue entrenado enteramente con datos observacionales reales del cielo, en lugar de universos simulados creados por computadoras. Esto significa que los hallazgos reflejan la complejidad real del universo, incluyendo las imperfecciones e incertidumbres inherentes a las mediciones del mundo real. El estudio sugiere que la masa de un halo de materia oscura es fundamentalmente una propiedad a nivel de grupo, lo que significa que para entender el peso oculto de una galaxia, uno debe observar a toda la familia de galaxias a la que pertenece, no solo a la galaxia en sí.

El éxito de este método resalta un cambio en la forma en que los astrónomos abordan los grandes datos (big data). Al representar el universo como un grafo donde las relaciones son tan importantes como los objetos mismos, los investigadores pudieron extraer información que los métodos tradicionales a menudo pasan por alto. El análisis interno del modelo mostró que había aprendido a distinguir entre diferentes tipos de galaxias, separando aquellas con estrellas más viejas y rojas de aquellas con estrellas más jóvenes y azules, basándose puramente en los patrones de los datos. Incluso pareció inferir detalles sobre el movimiento de las estrellas dentro de las galaxias, una propiedad que nunca se le dijo explícitamente que buscara, simplemente analizando el entorno circundante. Aunque el sistema actual requiere que todo el conjunto de datos se cargue en la memoria a la vez, lo que limita su uso inmediato para futuros y masivos estudios, el trabajo demuestra que el aprendizaje basado en grafos es una herramienta poderosa para decodificar la red cósmica. Ofrece un nuevo camino directo para comprender la arquitectura invisible que da forma al universo visible, convirtiendo una colección caótica de estrellas en una historia coherente de estructura cósmica.